Skip to content
Stork.AIstork.ai
Herramienta de IA

Revisión de ExecuTorch

ExecuTorch es la solución unificada de PyTorch para implementar modelos de IA en dispositivos —desde smartphones hasta microcontroladores—, diseñada para la privacidad, el rendimiento y la portabilidad.

shipped 4 jul 2026deployfree
DeploySelf-HostedMobile/Device
ExecuTorch — product screenshot

Por qué importa

1ExecuTorch v1.3.1, lanzado el 28 de mayo de 2026, amplió la cobertura de modelos y backends en objetivos embebidos, móviles y GPU, incluyendo Arm, Cortex-M y Qualcomm.
2La plataforma alcanzó la Disponibilidad General (GA) con ExecuTorch 1.0 el 22 de octubre de 2025, enfatizando la estabilidad para desarrolladores de aplicaciones móviles y embebidas.
3Impulsa miles de millones de inferencias diarias en los productos de Meta, incluyendo Instagram, WhatsApp, Quest 3 y Ray-Ban Meta Smart Glasses.
4ExecuTorch soporta la ejecución de Large Language Models (LLMs) como Llama 3.2 Quantized 1B/3B y Gemma 4 31B directamente en dispositivos de borde.

Sobre ExecuTorch

Plataformas
Android, iOS, Linux, macOS, Windows, Embedded systems
Público objetivo
Developers and researchers focused on AI deployment in edge devices.
API DocsGitHub

Especificaciones

Documentación API

Ver documentación →

API disponible

Sí, API pública

overview

¿Qué es ExecuTorch?

ExecuTorch es una plataforma de implementación de IA en dispositivos desarrollada por Meta que permite a desarrolladores e ingenieros implementar modelos de PyTorch en dispositivos. Facilita la inferencia eficiente en diversos factores de forma de borde, incluyendo dispositivos móviles, embebidos y otros dispositivos de borde, aprovechando el ecosistema de PyTorch para la ejecución de modelos. La plataforma aborda los desafíos inherentes a la IA en dispositivos, como hardware diverso, requisitos críticos de energía, conectividad a internet baja o nula, y necesidades de procesamiento en tiempo real. Se centra en la portabilidad, la productividad y el rendimiento en entornos con recursos limitados donde la conectividad en la nube podría ser limitada o poco práctica debido a preocupaciones de latencia, privacidad o costo. ExecuTorch soporta la implementación de modelos cuantificados y ofrece capacidades para operación sin conexión, integrándose con el marco más amplio de PyTorch para aplicaciones de IA en dispositivos.

features

Características Clave de ExecuTorch

ExecuTorch proporciona un conjunto completo de capacidades diseñado para una implementación de IA eficiente y robusta en dispositivos dentro del ecosistema de PyTorch.

  • Plataforma de código abierto para la implementación de IA.
  • Lista para producción para implementar modelos de PyTorch en dispositivos.
  • Inferencia eficiente en factores de forma móviles, embebidos y diversos dispositivos de borde.
  • Facilita la implementación de modelos cuantificados para entornos con recursos limitados.
  • Soporta operación sin conexión a internet sin dependencia de la nube.
  • Asegura la portabilidad a través de diversas plataformas incluyendo Android, iOS, Linux, macOS, Windows y sistemas embebidos.
  • Rendimiento optimizado con un tiempo de ejecución ligero y aceleración de hardware.
  • Aumenta la productividad del desarrollador utilizando herramientas y flujos de trabajo familiares de PyTorch.
  • Se integra con el ecosistema más amplio de PyTorch para la ejecución de modelos de extremo a extremo.

use cases

¿Quién debería usar ExecuTorch?

ExecuTorch está diseñado principalmente para desarrolladores e ingenieros que necesitan implementar modelos de aprendizaje automático directamente en dispositivos de borde, priorizando el rendimiento, la privacidad y las capacidades sin conexión.

  • Desarrolladores que implementan modelos de IA de PyTorch en una amplia gama de dispositivos de borde (p. ej., teléfonos móviles, auriculares AR/VR, sistemas embebidos, microcontroladores, computadoras de escritorio, laptops).
  • Ingenieros que impulsan funciones de IA en dispositivos en productos y servicios como Instagram, WhatsApp, Quest 3 y Ray-Ban Meta Smart Glasses.
  • Equipos que permiten que la IA generativa y los asistentes basados en LLM se ejecuten directamente en dispositivos, incluyendo modelos como Llama 3.2 Quantized 1B/3B y Gemma 4 31B.
  • Profesionales que facilitan la visión por computadora y el procesamiento de sensores en el borde para aplicaciones de baja latencia y que preservan la privacidad.
  • Investigadores y desarrolladores centrados en la inferencia de IA en dispositivos móviles y la optimización para sistemas embebidos.

how to use

Cómo Usar ExecuTorch

La utilización de ExecuTorch implica un flujo de trabajo estructurado desde el desarrollo de modelos en PyTorch hasta la implementación optimizada en hardware de borde objetivo.

  • 1Desarrollar y entrenar un modelo de PyTorch utilizando las APIs estándar de PyTorch.
  • 2Exportar el modelo de PyTorch utilizando el compilador PyTorch 2 y las herramientas de exportación de ExecuTorch.
  • 3Optimizar el modelo exportado para el dispositivo objetivo, incluyendo la cuantificación para entornos con recursos limitados.
  • 4Integrar el modelo optimizado de ExecuTorch en la aplicación objetivo en el dispositivo de borde.
  • 5Ejecutar el modelo en el dispositivo utilizando el tiempo de ejecución de ExecuTorch para una inferencia eficiente.
  • 6Utilizar herramientas de desarrollador como ETDump profiler y ETRecord inspector para depuración y análisis de rendimiento.

pricing

Precios y Planes de ExecuTorch

ExecuTorch es una plataforma de código abierto desarrollada por Meta, lo que hace que sus funcionalidades principales estén disponibles sin costo directo.

  • Gratis: Plataforma de código abierto, Implementación de IA lista para producción, Inferencia en dispositivo, Implementación de modelos cuantificados, Operación sin conexión.

Pros

  • +Provides a unified, PyTorch-native solution for end-to-end edge AI deployment, simplifying the workflow for PyTorch developers.
  • +Supports a wide array of hardware backends (over 12 supported), including Arm, Apple, Qualcomm, and NXP, ensuring broad device compatibility.
  • +Enables low-latency, privacy-preserving AI applications by executing models directly on-device, reducing cloud dependency.
  • +Facilitates offline operation and deployment of quantized models, making it suitable for resource-constrained and disconnected environments.
  • +Actively used in production by Meta across products like Instagram, WhatsApp, and Quest 3, demonstrating its robustness and scalability.
  • +Offers significant performance improvements for running LLMs on mobile/edge devices compared to older ML stacks.

Cons

  • −Earlier versions were noted to be 'rough around the edges' in terms of developer experience, though recent releases have focused on improvements.
  • −Limitations with torch.export, particularly concerning control flow, can necessitate significant graph reworking for complex models.
  • −While cross-platform, deep optimization for specific hardware might still require specialized knowledge or backend configurations.
  • −As a relatively newer solution compared to established frameworks like TensorFlow Lite or ONNX Runtime, its community support and third-party integrations might still be maturing.

Herramientas similares

ExecuTorch vs Competidores

ExecuTorch se distingue en el panorama de la IA en dispositivos por su profunda integración con el ecosistema de PyTorch, su tiempo de ejecución ligero y su enfoque en la portabilidad y el rendimiento para dispositivos de borde.

1
TensorFlow LiteOn StorkCompare

Google's official lightweight framework for on-device machine learning inference, primarily for mobile and embedded devices.

Similar to ExecuTorch in its goal of efficient on-device inference for edge devices, but it is native to the TensorFlow ecosystem rather than PyTorch. Both are open-source and free, targeting resource-constrained environments.

2
ONNX RuntimeOn StorkCompare

A cross-platform inference engine that executes ONNX (Open Neural Network Exchange) models efficiently on various hardware and operating systems.

Unlike ExecuTorch which is PyTorch-centric, ONNX Runtime is framework-agnostic, supporting models converted to the ONNX format. Both are open-source, free, and aim for high-performance inference on edge devices.

3
Core ML↗

Apple's framework for integrating machine learning models into iOS, macOS, watchOS, and tvOS apps, optimized for Apple silicon.

Core ML is specifically designed for the Apple ecosystem, offering deep integration and optimization for Apple hardware, whereas ExecuTorch is cross-platform. Both provide on-device inference capabilities, but Core ML is proprietary and tied to Apple's platforms.

4
Apache TVMOn StorkCompare

An open-source deep learning compiler stack that optimizes models for efficient execution on diverse hardware backends, including CPUs, GPUs, and specialized accelerators.

TVM operates at a lower level as a compiler framework, providing more granular control over hardware-specific optimizations compared to ExecuTorch's higher-level PyTorch-native deployment platform. Both are open-source, free, and focus on efficient edge inference.

Visitar ExecuTorch↗
Conectar
𝕏
X / Twittertwitter.com/pytorch
⌘
GitHubgithub.com/pytorch/executorch
in
LinkedInwww.linkedin.com/company/pytorch

AI Reputation Report

Is ExecuTorch yours?

ChatGPT, Perplexity, Gemini, Claude & Grok answer buyer questions about ExecuTorch every day. See whether they name ExecuTorch — or send buyers to a rival.

See what AI saysfree preview